K均值聚类 (KMeans)

Java 类名：com.alibaba.alink.pipeline.clustering.KMeans

Python 类名：KMeans

功能介绍

KMeans 是一个经典的聚类算法。

基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
predictionCol	预测结果列名	预测结果列名	String	✓
vectorCol	向量列名	向量列对应的列名	String	✓
distanceType	距离度量方式	聚类使用的距离类型	String		“EUCLIDEAN”, “COSINE”	“EUCLIDEAN”
epsilon	收敛阈值	当两轮迭代的中心点距离小于epsilon时，算法收敛。	Double			1.0E-4
initMode	中心点初始化方法	初始化中心点的方法，支持“K_MEANS_PARALLEL”和“RANDOM”	String		“RANDOM”, “K_MEANS_PARALLEL”	“RANDOM”
initSteps	k-means++初始化迭代步数	k-means初始化中心点时迭代的步数	Integer			2
k	聚类中心点数量	聚类中心点数量	Integer			2
maxIter	最大迭代步数	最大迭代步数，默认为 50。	Integer			50
modelFilePath	模型的文件路径	模型的文件路径	String			null
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
predictionDetailCol	预测详细信息列名	预测详细信息列名	String
predictionDistanceCol	预测距离列名	预测距离列名	String
randomSeed	随机数种子	随机数种子	Integer			0
reservedCols	算法保留列名	算法保留列	String[]			null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String			null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer			10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    [0, "0 0 0"],
    [1, "0.1,0.1,0.1"],
    [2, "0.2,0.2,0.2"],
    [3, "9 9 9"],
    [4, "9.1 9.1 9.1"],
    [5, "9.2 9.2 9.2"]
])

inOp = BatchOperator.fromDataframe(df, schemaStr='id int, vec string')

kmeans = KMeans()\
    .setVectorCol("vec")\
    .setK(2)\
    .setPredictionCol("pred")

kmeans.fit(inOp).transform(inOp).print()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.pipeline.clustering.KMeans;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class KMeansTest {
	@Test
	public void testKMeans() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "0 0 0"),
			Row.of(1, "0.1,0.1,0.1"),
			Row.of(2, "0.2,0.2,0.2"),
			Row.of(3, "9 9 9"),
			Row.of(4, "9.1 9.1 9.1"),
			Row.of(5, "9.2 9.2 9.2")
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "id int, vec string");
		KMeans kmeans = new KMeans()
			.setVectorCol("vec")
			.setK(2)
			.setPredictionCol("pred");
		kmeans.fit(inOp).transform(inOp).print();
	}
}

运行结果

预测结果

id	vec	pred
0	0 0 0	1
1	0.1,0.1,0.1	1
2	0.2,0.2,0.2	1
3	9 9 9	0
4	9.1 9.1 9.1	0
5	9.2 9.2 9.2	0